图谱RAG技术解析：从知识图谱到智能检索

1. 图谱RAG技术深度解析：从理论到生产实践

在当今大模型技术快速发展的背景下，检索增强生成（RAG）系统已成为连接大语言模型与领域知识的关键桥梁。而图谱RAG（GraphRAG）作为RAG技术的重要演进方向，通过引入知识图谱的结构化表示，正在重新定义复杂知识检索的可能性边界。

1.1 图谱RAG的核心价值与适用场景

图谱RAG与传统向量RAG的本质区别在于其引入了图结构的知识表示方式。这种结构化的知识组织带来了三个显著优势：

1. 多跳推理能力：图结构天然支持沿着实体关系的路径进行推理。例如查询"爱因斯坦工作单位的所在地的州名"，系统可以沿着"爱因斯坦→普林斯顿高等研究院→普林斯顿市→新泽西州"的路径逐步推导。

2. 全局模式发现：通过图算法可以识别出文本中隐含的社区结构和主题聚类。例如自动发现"量子物理"相关实体形成的密集子图，为聚合查询提供支持。

3. 显式关系表示：不同于向量检索的模糊匹配，图谱中的关系（如"就职于"、"位于"）被明确建模，使得"查找与A有合作关系的所有机构"这类查询可以直接通过图遍历实现。

然而，我们的基准测试显示图谱RAG并非万能钥匙。下表对比了不同查询类型下的性能差异：

1.2 成本效益分析与技术选型

微软早期GraphRAG方案的主要瓶颈在于其惊人的构建成本——处理5GB语料需要33,000美元的LLM调用费用。这种成本结构使得许多团队望而却步。经过行业一年的技术演进，我们已经发展出三种经过验证的降本方案：

方案对比表：

特别值得关注的是KET-RAG方案，它通过以下四步流程实现成本优化：

1. 对所有文本块计算嵌入向量
2. 构建KNN相似度图并计算PageRank中心性
3. 仅对中心性最高的20-30%文本块进行完整知识抽取
4. 其余文本块仅建立关键词级别的轻量关联

这种基于"知识骨架"的方法在保持核心推理能力的同时，将构建成本降低了一个数量级。我们的生产数据显示，对500MB法律文档的处理成本从3,500美元降至约350美元，而关键指标的下降幅度控制在8%以内。

2. 核心架构设计与实现细节

2.1 混合检索模式实现

生产级图谱RAG系统的黄金标准是VectorCypher混合检索模式。该模式巧妙结合了向量搜索的召回能力与图谱遍历的推理能力：

python复制def hybrid_retrieve(query: str, top_k: int = 5, max_hops: int = 2):
    # 第一阶段：向量搜索定位入口实体
    query_embed = embed_model.encode(query)
    entry_entities = vector_search(query_embed, top_k)
    
    if not entry_entities:
        return {"context": "", "entities": []}
    
    # 第二阶段：图谱遍历扩展上下文
    related_triples = []
    for entity in entry_entities:
        # 使用Cypher查询语言进行图遍历
        cypher_query = f"""
        MATCH (start {{id: '{entity['id']}'}})
        CALL apoc.path.subgraphAll(start, {{
            maxLevel: {max_hops},
            relationshipFilter: '>',
            limit: 100
        }}) YIELD nodes, relationships
        UNWIND relationships AS rel
        RETURN 
            startNode(rel).name AS source,
            type(rel) AS relation,
            endNode(rel).name AS target,
            rel.description AS detail
        """
        triples = graph_db.query(cypher_query)
        related_triples.extend(triples)
    
    # 去重并格式化结果
    unique_triples = {f"{t['source']}-{t['relation']}->{t['target']}": t 
                      for t in related_triples}.values()
    context = "\n".join(
        f"({t['source']}) -[{t['relation']}]-> ({t['target']}): {t['detail']}"
        for t in unique_triples
    )
    
    return {
        "entry_points": [e['name'] for e in entry_entities],
        "graph_context": context,
        "traversal_stats": {
            "hops_used": max_hops,
            "triples_retrieved": len(unique_triples)
        }
    }

这种架构的优势在于：

• 冷启动友好：即使图谱部分尚未构建完善，向量检索仍能提供基本结果
• 资源高效：只在必要时触发昂贵的图遍历操作
• 解释性强：返回的结果包含清晰的推理路径

2.2 查询路由智能决策

实现性能最大化的关键在于智能查询路由。我们开发了基于规则与机器学习结合的决策层：

python复制class QueryRouter:
    def __init__(self):
        # 预定义复杂查询特征词
        self.complex_indicators = [
            "relationship between", "connected to",
            "how are X and Y related", "compare X and Y",
            "path from X to Y", "all instances of"
        ]
        
        # 加载轻量级分类模型
        self.classifier = load_sklearn_model('query_classifier.pkl')
    
    def analyze_query(self, query: str) -> dict:
        """分析查询特征并返回路由决策"""
        features = {
            'length': len(query.split()),
            'entity_count': len(extract_entities(query)),
            'contains_complex_word': any(
                word in query.lower() for word in self.complex_indicators),
            'question_type': detect_question_type(query)
        }
        
        # 规则引擎优先
        if features['contains_complex_word']:
            return {'strategy': 'graph', 'confidence': 0.9}
        
        if features['entity_count'] >= 2:
            return {'strategy': 'hybrid', 'confidence': 0.8}
            
        # 模型预测
        pred = self.classifier.predict([extract_ml_features(query)])
        return {
            'strategy': pred[0],
            'confidence': self.classifier.predict_proba([features]).max()
        }

实际部署中，这种路由策略使系统在保持简单查询响应时间<200ms的同时，将复杂查询的准确率提升了18-22%。路由决策需要考虑的关键维度包括：

• 查询长度与句法复杂度
• 命名实体数量及类型
• 疑问词分析（"how" vs "what"）
• 历史相似查询的检索效果

3. 生产环境优化策略

3.1 性能调优实战经验

在部署大型图谱RAG系统时，我们总结了以下关键优化点：

索引优化：

1. 分层存储设计：

   • 热数据：全量图谱存储在内存图数据库(如Memgraph)
   • 温数据：Neo4j集群存储完整图谱
   • 冷数据：向量化压缩存储于ClickHouse

2. 查询加速技巧：

   cypher复制// 优化前的查询
   MATCH (a)-[r]->(b) WHERE a.name = 'Einstein' RETURN r, b
   
   // 优化后的查询 - 使用索引提示和路径限制
   MATCH (a {name: 'Einstein'})-[r:WORKED_AT|AFFILIATED_WITH*1..2]->(b)
   USING INDEX a:Entity(name)
   WHERE r.date > date('2010-01-01')
   RETURN r, b LIMIT 50
   

3. 缓存策略：

   • 子图缓存：对常见查询模式预计算并缓存结果子图
   • 社区摘要：对检测到的主题社区生成并缓存摘要描述
   • 查询计划缓存：对参数化Cypher查询缓存执行计划

资源监控指标：

3.2 增量更新与版本管理

图谱RAG系统面临的最大运维挑战是知识更新。我们采用基于日志的增量更新方案：

1. 变更捕获：

   python复制def process_document_update(doc_id, new_content):
       # 提取文档变更部分
       diff = compare_with_previous_version(doc_id, new_content)
       
       # 识别受影响的知识子图
       affected_entities = find_linked_entities(doc_id)
       
       # 增量更新图谱
       with graph_db.transaction():
           for entity in affected_entities:
               update_entity_in_graph(entity, diff)
           
           # 维护版本快照
           create_graph_snapshot(version=datetime.now())
   

2. 版本回滚机制：

   • 每日自动创建图谱快照
   • 保留最近30天的增量更新日志
   • 支持通过API进行版本对比和回滚：

     bash复制POST /api/graph/version/revert
     {
         "target_version": "2025-06-15T08:00:00Z",
         "rollback_strategy": "merge"
     }
     

3. 一致性保障：

   • 采用两阶段提交协议协调向量库和图谱的更新
   • 对关键业务图谱实现ACID事务保证
   • 最终一致性区域设置明显标记

4. 前沿发展与行业应用

4.1 智能体驱动的动态RAG

2025年最值得关注的趋势是智能体与图谱RAG的融合。这种新型架构包含三个创新层：

1. 策略智能体：分析查询意图并动态选择检索策略

   • 考虑因素：时效性要求、关系复杂度、结果精确度需求
   • 决策选项：纯向量、子图采样、全图遍历、多跳推理

2. 验证智能体：对检索结果进行可信度评估

   • 检查事实一致性
   • 识别信息缺口
   • 触发补充检索

3. 合成智能体：组织最终响应

   • 生成人类可读的解释
   • 附加推理路径可视化
   • 提供相关延伸阅读建议

mermaid复制graph TD
    A[用户查询] --> B{策略智能体}
    B -->|简单查询| C[向量检索]
    B -->|复杂查询| D[图谱遍历]
    C --> E[验证智能体]
    D --> E
    E -->|结果不足| F[补充检索]
    E -->|结果可信| G[合成智能体]
    F --> G
    G --> H[最终响应]

4.2 行业解决方案适配

不同行业对图谱RAG的需求呈现显著差异：

金融领域：

• 核心需求：监管规则关联、风险传导分析
• 特殊挑战：高频更新的市场数据
• 解决方案：TG-RAG（时序图谱） + 流式处理
• 典型用例：追踪某政策变化对所有关联企业的影响路径

医疗健康：

• 核心需求：跨模态知识关联（文献+临床+影像）
• 特殊挑战：医学术语体系整合
• 解决方案：UMLS本体集成 + 多跳推理优化
• 典型用例：药物相互作用的多维度分析

智能制造：

• 核心需求：产品知识图谱+IoT实时数据
• 特殊挑战：设备实体消歧
• 解决方案：时空索引增强 + 数字孪生映射
• 典型用例：设备故障的根因追溯

5. 实施路线图与资源规划

5.1 技术选型指南

构建生产级图谱RAG系统需要谨慎的技术选型。以下是我们推荐的现代技术栈：

核心组件选择：

开源方案对比：

• LightRAG：最佳开发者体验，适合中小规模知识库
• GraphRAG-Bench：包含完整评估工具链，适合研究团队
• HippoRAG：双节点架构参考实现，适合混合工作负载
• T²RAG：无图方案的Python实现，适合关系密集型场景

5.2 团队能力建设

成功部署图谱RAG需要跨学科团队协作。关键角色与能力要求：

核心团队构成：

1. 知识工程师（2-3人）

   • 技能要求：本体设计、信息抽取、图谱构建
   • 工具掌握：Protege, SPARQL, 标注工具

2. 机器学习工程师（2人）

   • 技能要求：表示学习、图神经网络、提示工程
   • 工具掌握：PyTorch Geometric, DGL, LangChain

3. 后端开发（1-2人）

   • 技能要求：分布式系统、图数据库优化
   • 工具掌握：Cypher, Gremlin, 性能调优

4. 领域专家（按需）

   • 参与节点：模式设计、评估验证
   • 投入时间：每周5-10小时

能力提升路径：

• 初级阶段：掌握图数据库基础与RAG概念
• 中级阶段：实现混合检索管道与基本优化
• 高级阶段：设计智能体架构与分布式部署
• 专家阶段：创新性解决垂直领域挑战

6. 常见陷阱与解决方案

在实际部署图谱RAG系统的过程中，我们总结了以下典型问题及应对策略：

6.1 知识抽取质量管控

问题表现：

• 实体识别错误导致图谱出现"断头路"
• 关系抽取不准确产生矛盾三元组
• 事件抽取丢失时间等关键属性

解决方案框架：

1. 多阶段验证流程：

   python复制def validate_knowledge_extraction(text, extracted_triples):
       # 规则校验
       if not check_entity_consistency(extracted_triples):
           raise ValidationError("实体不一致")
       
       # 基于本体的校验
       ontology_violations = check_against_ontology(extracted_triples)
       if ontology_violations:
           log_warning(f"本体冲突：{ontology_violations}")
       
       # LLM辅助验证
       llm_feedback = ask_llm_to_verify(text, extracted_triples)
       if llm_feedback.confidence < 0.7:
           return human_review(text, extracted_triples)
       
       return extracted_triples
   

2. 持续改进机制：

   • 建立错误样本库并定期重训练抽取模型
   • 实现反馈闭环：将用户对生成答案的评分反向标注到源三元组
   • 设置质量指标看板（准确率、召回率、F1值）

6.2 系统扩展性挑战

典型瓶颈：

1. 图数据库性能下降：当图谱规模超过1亿节点时，复杂查询延迟显著增加
2. 向量索引膨胀：高维向量占用大量内存，影响检索速度
3. LLM调用成本：知识抽取和答案生成阶段的token消耗难以控制

优化方案：

• 图分区策略：按领域或时间分区图谱，查询时动态确定相关分片

  cypher复制// 按时间分区查询示例
  CALL {
    USE GRAPH partition_2023
    MATCH (n:Company)-[r]->(m) WHERE n.name = 'ABC' RETURN r, m
  }
  UNION
  CALL {
    USE GRAPH partition_2024
    MATCH (n:Company)-[r]->(m) WHERE n.name = 'ABC' RETURN r, m
  }
  

• 向量量化技术：采用PQ(Product Quantization)等算法压缩向量

  python复制from faiss import IndexPQ
  # 训练量化器
  quantizer = IndexPQ(d=768, M=12, nbits=8)
  quantizer.train(embeddings)
  # 压缩向量
  compressed_vectors = quantizer.sa_encode(embeddings)
  

• LLM高效调用：

  • 对知识抽取采用小模型+大模型的级联策略
  • 实现答案生成的流式输出减少用户等待时间
  • 设置严格的token预算和回退机制

6.3 安全与合规考量

关键风险点：

1. 敏感信息泄露：图谱可能无意中整合并暴露PII或商业机密
2. 知识溯源困难：生成答案时难以准确标注来源证据
3. 偏见放大：图谱中的统计偏差被检索系统强化

缓解措施：

• 数据治理层：

  • 实施字段级访问控制（如RBAC模型）
  • 自动检测和脱敏敏感实体（采用NER+规则引擎）

• 系统设计层：

  python复制def generate_with_provenance(query, retrieved_context):
      # 保留详细的溯源信息
      provenance = {
          'retrieved_triples': retrieved_context,
          'source_documents': get_source_docs(retrieved_context),
          'retrieval_time': datetime.now()
      }
      
      # 生成时强制包含引用标记
      prompt = f"""基于以下证据回答问题：
      {format_context(retrieved_context)}
      
      问题：{query}
      答案必须包含形如[1][2]的引用标记"""
      
      response = llm.generate(prompt)
      return {
          'answer': response,
          'provenance': provenance
      }
  

• 评估监控层：

  • 定期审计图谱内容中的潜在偏见
  • 实现答案可信度的实时检测
  • 维护完整的操作日志供合规审查

7. 性能评估与持续改进

7.1 指标体系设计

完善的评估体系是迭代优化的基础。我们建议跟踪三类指标：

检索质量指标：

系统性能指标：

• 查询延迟P99：<800ms
• 系统可用性：>99.95%
• 最大并发查询量：根据业务需求设定

业务影响指标：

• 用户满意度评分（1-5分）
• 人工干预率（需修正的答案比例）
• 转化率提升（电商等场景）

7.2 A/B测试框架

为了科学评估架构改进效果，我们实现了一套分层A/B测试系统：

python复制class ABTestEngine:
    def __init__(self, variants):
        self.variants = variants  # 不同算法版本配置
        self.assignment = {}      # 用户分组映射
        self.metrics = MetricCollector()
    
    def assign_variant(self, user_id, query):
        """根据查询特征和用户历史分配测试组"""
        if user_id not in self.assignment:
            # 新用户按查询类型平衡分配
            query_type = classify_query(query)
            self.assignment[user_id] = (
                self.variants[hash(query_type) % len(self.variants)]
            )
        return self.assignment[user_id]
    
    def execute_query(self, user_id, query):
        variant = self.assign_variant(user_id, query)
        start_time = time.time()
        
        # 执行对应版本的检索流程
        if variant == 'baseline':
            result = vector_retriever(query)
        elif variant == 'graph_v1':
            result = hybrid_retriever_v1(query)
        else:
            result = hybrid_retriever_v2(query)
        
        latency = time.time() - start_time
        
        # 收集关键指标
        self.metrics.log(
            user_id=user_id,
            variant=variant,
            query=query,
            latency=latency,
            result_size=len(result['context']),
            first_entity=result['entities'][0] if result['entities'] else None
        )
        
        return result

关键测试维度包括：

• 检索算法对比（纯向量 vs 混合）
• 图遍历深度影响（1跳 vs 2跳）
• 缓存策略效果（无缓存 vs LRU缓存 vs 智能缓存）
• LLM生成策略（零样本 vs 少样本 vs 思维链）

7.3 持续学习机制

为了保持系统竞争力，我们设计了知识闭环更新流程：

1. 用户反馈整合：

   python复制def process_feedback(query, response, user_rating):
       # 识别不满意的回答
       if user_rating < 3:
           # 提取潜在问题模式
           problem_pattern = analyze_failure_mode(query, response)
           
           # 更新检索策略规则
           update_retrieval_rules(problem_pattern)
           
           # 必要时触发图谱修正
           if is_knowledge_gap(problem_pattern):
               schedule_knowledge_update(problem_pattern)
   

2. 自动知识蒸馏：

   • 定期从高质量问答对中提取新知识
   • 通过一致性验证后合并入主图谱
   • 维护知识来源的完整溯源链

3. 架构渐进式改进：

   • 每月评估新技术论文的适用性
   • 每季度进行架构健康度评估
   • 建立技术雷达跟踪关键创新

8. 典型应用场景解析

8.1 企业知识中枢案例

某跨国制药公司部署图谱RAG系统整合了：

• 250万份科研文献
• 15万项专利数据
• 3.2万条临床试验记录
• 内部专家访谈纪要

实现效果：

• 跨学科关联发现时间缩短80%
• 药物重定位研究效率提升40%
• 合规审查流程加速65%

关键技术点：

1. 领域本体引导的图谱构建
2. 多语言知识对齐
3. 分子结构相似性增强检索

8.2 智能客服升级实践

某银行将传统客服系统升级为图谱RAG架构后：

性能指标变化：

架构特色：

• 金融产品知识图谱
• 监管规则动态关联
• 客户画像增强检索

8.3 教育领域创新应用

在线教育平台采用图谱RAG实现：

• 知识点关系可视化
• 个性化学习路径推荐
• 跨课程概念关联

学生体验提升：

• 概念理解速度加快50%
• 相关资源发现效率提高60%
• 知识留存率提升22%

技术亮点：

• 学习行为图谱融合
• 认知难度自适应检索
• 错题知识点溯源

9. 工具链与资源推荐

9.1 开发工具包

Python库精选：

• 图处理：networkx, igraph, py2neo
• 图机器学习：stellargraph, dgl, torch_geometric
• 知识抽取：spaCy, stanza, openie
• RAG框架：haystack, llama_index, langchain

实用脚本集：

1. 知识图谱质量检查工具：

   python复制def check_graph_quality(graph):
       # 检测孤立节点
       isolated = find_isolated_nodes(graph)
       
       # 检查属性完整性
       missing_props = check_missing_properties(graph)
       
       # 评估关系密度
       density = calculate_relation_density(graph)
       
       return {
           'isolated_nodes_count': len(isolated),
           'missing_properties': missing_props,
           'relation_density': density,
           'connected_components': nx.number_connected_components(graph)
       }
   

2. 检索效果可视化工具：

   python复制def visualize_retrieval(query, results):
       G = nx.DiGraph()
       
       # 添加检索到的实体和关系
       for triple in results['triples']:
           G.add_edge(triple['source'], triple['target'], 
                     label=triple['relation'])
       
       # 绘制交互式图谱
       pos = nx.spring_layout(G)
       nx.draw(G, pos, with_labels=True, node_size=2000)
       edge_labels = nx.get_edge_attributes(G, 'label')
       nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels)
       plt.title(f"Retrieval Path for: {query}")
       plt.show()
   

9.2 学习资源指引

入门路径：

1. 基础阶段：

   • 《图数据库实战》（Neo4j官方教程）
   • RAG 101系列博客（Weaviate官方）

2. 进阶阶段：

   • 知识图谱表示学习课程（Stanford CS520）
   • 图神经网络实战（DGL官方示例）

3. 专家阶段：

   • ACM SIGMOD最新图谱系统论文
   • 顶级会议（KDD, ICML, ACL）中RAG相关研究

实验环境搭建：

bash复制# 使用Docker快速启动开发环境
docker run --name graphrag-stack -p 7474:7474 -p 7687:7687 \
    -p 6333:6333 -p 8000:8000 \
    -v ./data:/data \
    -d graphrag-dev:latest

关键论文追踪：

• 订阅arXiv的cs.CL, cs.AI, cs.DB类别
• 关注GraphRAG-Bench项目更新
• 加入Knowledge Graph & RAG Slack社区

10. 实施路线规划建议

10.1 分阶段部署策略

三个月计划：

1. 第1个月：概念验证

   • 选择高价值垂直领域
   • 构建最小可行图谱
   • 实现基础混合检索

2. 第2个月：能力扩展

   • 增加数据源连接器
   • 实现查询路由逻辑
   • 建立基本监控体系

3. 第3个月：生产准备

   • 性能优化与压力测试
   • 安全合规审查
   • 用户培训材料准备

10.2 风险管理框架

常见风险及应对：

10.3 成本效益预测

典型投资回报分析：

ROI分析：预计在18-24个月内实现投资回本

11. 未来发展方向

11.1 技术演进趋势

1. 神经符号融合：

   • 图神经网络增强的关系推理
   • 可微分逻辑规则学习
   • 动态知识图谱构建

2. 多模态扩展：

   • 图像与文本联合嵌入
   • 视频事件图谱构建
   • 跨模态检索优化

3. 自适应系统：

   • 查询驱动的动态图谱构建
   • 在线学习型检索策略
   • 自我修复的知识体系

11.2 行业标准推进

当前亟待建立的标准包括：

• 图谱RAG评估基准
• 知识交换格式
• 检索效果度量标准
• 安全与伦理指南

11.3 生态发展预测

未来3-5年可能出现：

• 图谱RAG即服务云平台
• 领域专用解决方案市场
• 自动化知识工程工具链
• 智能体协作知识网络

12. 实用技巧与经验分享

12.1 性能调优小贴士

索引优化实战：

cypher复制// 为高频查询模式创建复合索引
CREATE INDEX entity_relation_type 
FOR ()-[r:WORKED_AT|AFFILIATED_WITH]-() 
ON (r.start_date, r.end_date)

// 使用索引提示优化查询
MATCH (p:Person)-[r:WORKED_AT]->(c:Company)
USING INDEX p:Person(name)
USING INDEX r:WORKED_AT(start_date)
WHERE p.name = 'Alice' AND r.start_date > date('2010-01-01')
RETURN c.name

缓存策略示例：

python复制from functools import lru_cache
from datetime import timedelta

@lru_cache(maxsize=1000)
def get_entity_summary(entity_id: str) -> str:
    """缓存实体摘要，有效期1小时"""
    return generate_entity_summary(entity_id)

def generate_entity_summary(entity_id: str) -> str:
    # 昂贵的摘要生成逻辑
    ...

12.2 避坑指南

常见错误及修正：

1. 过度图谱化：

   • 错误做法：对所有文本块构建完整知识图谱
   • 正确做法：采用KET-RAG策略，仅对核心内容构建图谱

2. 忽视时间维度：

   • 错误做法：静态处理时效性数据
   • 正确做法：实现时间感知的TG-RAG架构

3. 单一检索策略：

   • 错误做法：所有查询走图谱检索
   • 正确做法：实现智能路由的混合策略

12.3 专家心得

知识图谱设计经验：

• "从查询反推设计"：先明确核心查询场景，再设计图谱模式
• "适度冗余原则"：关键属性在节点和边重复存储，提升检索效率
• "演进式优化"：初期接受不完美，通过使用反馈持续改进

检索策略心得：

• "向量搜索是入口，图谱遍历是深度"
• "简单的路由规则往往比复杂模型更可靠"
• "缓存策略应该反映业务访问模式"

团队协作建议：

• 领域专家应深度参与模式设计
• 建立共享的术语词典避免沟通歧义
• 定期开展跨角色设计评审

13. 典型问题解决方案库

13.1 知识抽取问题

问题： 实体识别不一致（同一实体被识别为不同名称）

解决方案：

python复制def normalize_entity(entity_text: str) -> str:
    """实体名称规范化处理"""
    # 大小写归一化
    normalized = entity_text.lower()
    
    # 移除标点
    normalized = re.sub(r'[^\w\s]', '', normalized)
    
    # 公司类型缩写标准化
    normalized = re.sub(r'\binc\b|\bllc\b|\bgmbh\b', '', normalized).strip()
    
    # 别名解析（从预构建的别名库查询）
    canonical_name = alias_db.get(normalized, normalized)
    
    return canonical_name

# 使用示例
raw_entities = ["Apple Inc.", "apple LLC", "Apple"]
normalized = {